AWS 发布教程，介绍如何在 Amazon SageMaker HyperPod 的 PyTorch DDP 训练循环中加入三道检查来检测静默数据损坏（SDC）：all-reduce 前后的 NaN/Inf 梯度检查、跨节点重放的 ring replay 审计、以及 optimizer 更新后的权重指纹比对。
推荐理由：原文给出三道检查的实现代码与开销实测数据，读者可据此评估在自己训练任务中落地的成本与收益。
Google Research 发布研究框架，用消费级可穿戴设备数据构建可教练健康年龄（CHA）模型，并配合在 2.28 million person-weeks 数据上预训练的 SensorWM 世界模型，模拟 12 周反事实健康轨迹，再由语言模型智能体生成教练计划。
Hugging Face 博客介绍如何在 Sentence Transformers 中做 token pooling-aware 训练，让多向量嵌入模型在压缩后仍保留检索质量。
初创公司 Plurai 宣布完成 1300 万美元种子轮融资，由 Team8 领投，U&I、Velocity 和 Mercer 参投，计划用自动驾驶领域积累的仿真技术提升 AI 智能体在复杂任务上的可靠性。
ChinaTalk 调查显示，Mercor、Surge AI、AfterQuery、Turing 等至少九家美国数据公司正向中国 AI 实验室出售约 5 亿美元的训练数据，其中包含用于编码、金融分析等任务的强化学习（RL）环境。
Google DeepMind 宣布开源支撑 WeatherNext 3 的两个基础数据集 SatWeave 与 PARDIG，历史存档与实时数据流已在 Google Cloud Storage 开放，PARDIG 历史目录也上架 Google Earth Engine。
推荐理由：原文说明了两个数据集的构成与评测口径，读者可据此判断它们对天气水文建模的可用性。
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan，这是开源人物数据集 Nemotron-Personas-Japan 的金融领域扩展，采用 CC BY 4.0 许可，可商用。
特种化学品制造商 Lubrizol 通过组建"融合团队"，把科学家、数据科学家和 IT 团队围绕共同目标协作，用 AI、云基础设施和数字化建模加速研发。公司信息技术副总裁 Girish Rao 强调，AI 不是取代科学判断，而是给科学家更好的工具，帮助在物理实验前识别模式、测试假设并建模。数字建模还能评估更多配方、探索淀粉和玉米基替代材料，助力可持续材料开发。
Nous Research 发布开源权重模型 Arete-27B，通过对阿里 Qwen3.8-27B 做监督微调去除中国官方叙事，宣传回答率从 22% 降到 0.9%，事实准确度从 2.32 升至 2.98（满分 5）。
Hugging Face 与 AllenAI 推出 FoundationWorlds 框架及其首个基础世界 ToyBlocks，一个围绕机械臂与桌面积木的开源仿真环境，可自动生成任务与演示数据，无需人工遥操作。
推荐理由：通过受控仿真环境把数据生成、训练与评测打通，读者可据此理解机器人泛化与失败归因的可复现研究路径。
Physicl 宣布获得 Inovia Capital 的 1000 万美元种子融资，帮助世界模型设计者和机器人构建者用更真实的仿真解决训练难题。创始人 Alex de Vigan 称其上一家公司 nfinite 构建的 3D 渲染管线可将非结构化真实世界信息转化为几何、材质和物理正确的高保真表示。
Axiom Math 宣布已用其 AI 智能体集群形式化验证了 Stacks Project，将这一约 7,654 页的数学库转成约 16 million 行经 Lean 逐行检查的代码。
Google Research 在 Nature 发表多模态 AI 系统 AI-PPG-ACC-HTN，可用消费级智能手表被动检测高血压迹象，无需传统臂式袖带校准。
推荐理由：原文给出无需袖带校准的筛查方案与对照临床数据，读者可据此判断智能手表在高血压筛查中的实际定位。
Dharma-AI 发布 Dharma Field Extractor，一个 20 亿参数模型，可从任意文档图像中按请求抽取字段并返回结构化 JSON，支持开放模式和指定 schema 两种请求方式，缺失字段返回 null 而非编造。
Google Research 提出 Agile Deliberation 框架，把主观 AI 分类器的构建变成人与 AI 的迭代对话，帮助用户在协作中厘清自身定义，代码与算法已在 GitHub 开源。该框架分概念界定与概念迭代两阶段，用视觉语言模型挖掘语义边界图像，经 18 场、每场 1.5 小时的真人实验验证，显著降低用户疲劳与焦虑，产出更一致、性能优于标准基线的模型。
The Decoder 报道了一项研究：语言模型 Astra 无需逐步数学优化训练，直接读取或改写其他模型的原始权重，研究者称之为 Weight-Space Programming。
Indegene 在 AWS 上的 NEXT Unified Data Platform（NEXT UDP）中构建了 LLM 驱动的 Data Quality Agent，可生成上下文感知的数据质量规则、校验规则并产出可直接运行的 SQL 和 Python 代码，且在集中式 human-in-the-loop 治理下运行。
Hugging Face Blog 发布 IBM Research 的 Palette：微调一个 20B 开源权重模型，用合成数据学习 IBM Design Language 并通过校验 harness 生成幻灯片，在 PresentBench 三个领域中两个排名第一、三领域均分第二（59.7 分，落后 NotebookLM 的 60.8 分 1.1 分）。
推荐理由：原文拆解了用合成数据与校验器训练小模型复现设计语言的完整方法，可迁移到其他输出可被代码校验的任务。
AWS 博客演示了如何用 EDB Postgres AI 的 AIDB 扩展在 Postgres 库内构建 agentic AI 语义层（SemKB），并由运行在 Amazon Bedrock AgentCore 上的 Strands Agents agent 通过 MCP endpoint 查询，回答 customer 360 问题。
初创公司 Trajectory 宣布完成 4500 万美元 A 轮融资，估值 3 亿美元，由 Sequoia 领投，Nvidia、Bessemer Venture Partners 和 Bain Capital Ventures 参投。
Legora CTO Jacob Lauritzen 在 Latent Space 访谈中讲解了在无法查看客户数据的前提下如何构建和测试法律 AI 智能体：团队用 3 名工程师和 3 名律师搭建模拟客户工作的测试环境，一次发布让引用准确率从 70% 升至 99%。
Latent Space 播客访谈 Legora CTO Jacob Lauritzen，围绕为律师构建 AI 智能体展开。
MIT Technology Review 的一份报告显示，受访企业中仅 48% 的分析 agent 生成的洞察能促成改善业务的行动，高于一年前的 37%，但过半洞察仍未奏效。55% 的高管认为洞察质量不佳主因是缺乏业务上下文，45% 归咎于数据碎片化，52% 的机构面临洞察过载。企业正通过强化 AI 与数据治理（60%）和添加语义层（45%）来提升洞察质量。
AWS 发布教程，讲解如何用序列级知识蒸馏（SeqKD）在 Amazon SageMaker AI 上把前沿教师模型的购物智能体蒸馏成更小的学生模型：以 Amazon Bedrock 上的 GLM-5.3 为教师生成 ShoppingBench 轨迹，用基准自带打分器筛出解题成功的轨迹，再以 serverless SFT 微调 Qwen3.5-4B。
Anthropic 让 Claude 自主生成微调数据集以攻击自身安全系统，发现养蜂指南、职业摔跤、电影放映员内心独白等看似无害的题材可训练模型破坏监督、欺骗用户。
Microsoft Research 推出 Industry Evaluation Data Generation Platform，通过全合成的企业环境（tenant）评估 Microsoft Copilot，避免使用真实客户敏感数据。
Reddit 在第三季度财报中宣布将转向以登录为主的体验，以保护数据免遭 AI 抓取，转而与模型提供商达成数据授权合作。财报显示其全球日活环比持平于 130.3 万，美国日活从 5320 万降至 5070 万，10 月搜索流量引荐每周平均减少超 100 万次；同期营收同比增长 53% 至 8.95 亿美元，净利润增长 74% 至 2.83 亿美元。
Hugging Face 宣布推出 Project ProtoStar，联合 Carnegie Mellon University、Purdue University、Georgia Institute of Technology、Arizona State University、The George Washington University 等高校。
Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，可转写 40 种语言、其中 31 种与英语互译、识别 13 种语言的说话人，支持最长一小时、最多八位说话人的录音，并能通过指令控制输出转写、翻译或摘要。
NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到单一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人归属，可处理最长一小时录音并标注最多 8 位说话人，现已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出榜单成绩与微调配方，读者可据此判断该模型在多语种转写与说话人分离上的可用性。
Exowatt 基于 Amazon SageMaker AI 无服务器模型定制构建可复用的微调流水线，产出面向边缘与云端的两个任务专用模型，在准确率上超过前沿模型且成本最多低 49 倍。
Google Research 提出面向大语言模型持续学习的睡眠框架，让模型在主动交互的清醒阶段与离线记忆巩固的睡眠阶段之间交替，把脆弱的短期上下文固化为稳定的长期参数。
纽约大学与德克萨斯大学奥斯汀分校的研究让 Claude、GPT-5.6、GLM-5、Kimi K2.5、Llama、Olmo 等 14 个模型生成 120 段对话、45 次编码会话和 980 篇议论文，与人类文本对比后归纳出六种让 AI 文本难读的模式：生僻词组搭配、主谓被长从句隔开、省略连接词的短指代、名词堆叠、把名词当动词用、给无生命主语配及物动词。
AWS 用 Amazon SageMaker Python SDK v3 更新了边缘视觉质检的机队级模型生命周期方案，以 SageMaker Neo 取代已弃用的 SageMaker Edge Manager。
微软与 Hugging Face 联合发布并开源 ThinkingBox-Training（microsoft/thinkingbox-training），把 ThinkingBox-Bench 中对数据库终态的可执行检查复用为 RL 训练奖励。
推荐理由：原文给出了把数据库终态检查复用为 RL 奖励的完整训练流程与开源实现，读者可据此迁移方法到自己的智能体任务集。
Amazon SageMaker AI 的 serverless model customization 新增 training session APIs，把抽象边界从算法下移到算力。
Amazon SageMaker AI 无服务器模型定制的训练会话（training sessions）正式可用，用户可自行编写和协调训练循环，包括自定义损失函数或奖励信号，而 GPU 分配、分布式执行、故障恢复和检查点存储由平台托管。
Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020。
Moshi 正在为大宗商品交易员打造一个推荐引擎，把市场信息与交易员持仓真正关心的内容连接起来，其 CEO Anekha Sokhal 在 AI Engineer New York 上将其形容为 Bloomberg、Claude 与 Netflix 的结合体——市场数据、操作界面加个性化推荐。
Hugging Face 与 IBM Research 推出 Granite Timeseries Ensemble，用一个可扩展接口组合四个互补的 Granite 预训练时序模型，无需重训或拟合权重即可返回中位数与分位数预测。